当前位置:首页 > 文章列表 > Golang > Go教程 > Golang怎么压缩和解压tar.gz_Golang tar.gz操作教程【最新】

Golang怎么压缩和解压tar.gz_Golang tar.gz操作教程【最新】

2026-05-03 10:57:48 0浏览 收藏

从现在开始,努力学习吧!本文《Golang怎么压缩和解压tar.gz_Golang tar.gz操作教程【最新】》主要讲解了等等相关知识点,我会在golang学习网中持续更新相关的系列文章,欢迎大家关注并积极留言建议。下面就先一起来看一下本篇正文内容吧,希望能帮到你!

Go标准库可原生处理tar.gz,需正确组合archive/tar与compress/gzip:压缩时用gzip.Writer包裹tar.Writer,解压时用gzip.NewReader解包后再传给tar.Reader,且必须严格遵循关闭顺序和路径/权限/格式等细节。

Golang怎么压缩和解压tar.gz_Golang tar.gz操作教程【最新】

Go 原生标准库就能完整处理 tar.gz,不需要第三方包——但必须手动组合 archive/tar 和 compress/gzip,漏掉任一环节都会导致文件损坏或解压失败。

压缩目录为 tar.gz:用 gzip.Writer 包裹 tar.Writer

常见错误是直接写入 os.File 而不套 gzip 层,结果生成的是纯 .tar;或者先写 tar 再单独 gzip,导致双层头信息错乱。

  • 先创建 os.File,再用 gzip.NewWriter 包装它,最后把该 gzip writer 传给 tar.NewWriter
  • 遍历目录时,filepath.WalkDir 比 filepath.Walk 更安全(避免 symlink 循环)
  • 每个文件写入前必须调用 tar.Header 设置 Name(路径需转为 Unix 风格)、Size、Mode,否则解压时权限/路径异常
  • 写完所有文件后,必须显式调用 tw.Close() → gw.Close() → f.Close(),顺序不能反,否则 gzip 流不完整
fw, _ := os.Create("out.tar.gz")
gw := gzip.NewWriter(fw)
tw := tar.NewWriter(gw)
// ... 写入 header + data
tw.Close() // 必须先 close tar writer
gw.Close() // 再 close gzip writer
fw.Close() // 最后 close file

解压 tar.gz:用 gzip.Reader 解包后再传给 tar.Reader

典型报错是 archive/tar: invalid tar header,基本都是因为没先用 gzip.NewReader 解压流,直接把 gzip 二进制喂给了 tar.NewReader。

  • 打开文件后,先用 gzip.NewReader 包装 *os.File,再把该 reader 传给 tar.NewReader
  • tr.Next() 每次返回一个 *tar.Header,Header.Name 是相对路径,需用 filepath.Clean 过滤 ../ 防止路径穿越
  • 写文件前务必用 os.MkdirAll(filepath.Dir(name), 0755) 创建父目录,tar 不保证目录先于文件出现
  • 对 Header.Typeflag == tar.TypeDir 的条目,只建目录不写内容

注意 tar.Header 的字段含义和兼容性陷阱

Go 的 tar 包默认使用 PAX 格式(POSIX.1-2001),但某些老旧工具(如 BusyBox tar)只认 GNU 或 USTAR。若目标环境受限,需手动设 Format。

  • Header.Size 必须是 int64,且要和实际读取字节数严格一致,否则后续文件偏移错乱
  • Header.Mode 是 Unix 权限位(如 0644),不是 os.FileMode 字符串;设错会导致解压后不可读
  • 跨平台时,Header.Name 中的反斜杠 \ 必须转成 /,Windows 路径名不被 POSIX tar 标准接受
  • 如需兼容旧工具,初始化 tar.Writer 后立即调用 tw.Format = tar.FormatGNU

性能与内存控制:别一次性加载大文件到内存

直接 io.ReadAll(file) 处理几百 MB 文件会 OOM;tar 流式特性本意就是边读边写。

  • 压缩时,对每个文件用 io.Copy(tw, file),而不是 tw.Write(fileBytes)
  • 解压时,同样用 io.Copy(outfile, tr),避免中间分配大 buffer
  • 如果需校验或加密,可在 gzip.Reader 和 tar.Reader 之间插入 io.TeeReader 或自定义 io.Reader
  • 设置 gzip.NewWriterLevel(fw, gzip.BestSpeed) 可提速约 3×,适合内网传输场景

最易被忽略的是:gzip 流结尾的 8 字节校验和必须完整写出,任何提前 close 都会让 gunzip -t 报 invalid compressed data--format violated —— 这类问题只能靠 hexdump -C 对比标准输出排查。

今天关于《Golang怎么压缩和解压tar.gz_Golang tar.gz操作教程【最新】》的内容介绍就到此结束,如果有什么疑问或者建议,可以在golang学习网公众号下多多回复交流;文中若有不正之处,也希望回复留言以告知!

潇湘高考怎么看全省排名 潇湘高考成绩位次查询方法【指南】潇湘高考怎么看全省排名 潇湘高考成绩位次查询方法【指南】
上一篇
潇湘高考怎么看全省排名 潇湘高考成绩位次查询方法【指南】
日程管理自动化:从微信截图到日历事件生成的OpenClaw工作流
下一篇
日程管理自动化:从微信截图到日历事件生成的OpenClaw工作流
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    290次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    343次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    344次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    308次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    130次使用